Перейти к содержимому

BALASAGUN · собственная языковая модель BRAINSTORM

Баласагун — город «Кутадгу билиг»

Баласагун был одной из столиц Караханидов и находился в бассейне реки Чу, на территории современной Киргизии. Юсуф Хас-Хаджиб, автор «Кутадгу билиг», родился в этом городе и здесь же начал свой труд; завершил он его в Кашгаре в 1069–1070 годах.

«Кутадгу билиг» означает «знание о том, как быть счастливым». Наша модель носит имя этого города.

Создайте собственную языковую модель.

Языковая модель ИИ, созданная для вас: она живёт и работает на вашем собственном сервере или на арендованных GPU. Модель говорит на языке вашего бизнеса; если вы сами не решите иначе, ваши вопросы и документы не уходят ни в какую другую ИИ-компанию.

Запросить расчётКак это работает?

Статус

В разработке · Этап 0 / 3 · октябрь 2026

Как это работает

Модель живёт на вашем сервере

ВАШ СЕРВЕР · или арендованный GPU011011001001101101ВНЕШНИЙ ИИ-СЕРВИС✕ВАШИ СИСТЕМЫPMS · ERP · SCADAВАШИ ДОКУМЕНТЫнормативы · правилаBALASAGUNна вашем сервереBALASAGUNИНСТРУМЕНТЫрасчёты · заявкиПОЛЬЗОВАТЕЛИВ номере 304не работает кондиционер.номер 304 · журнал обслуживаниясоздать заявку: кондиционер, № 304Заявка в техслужбу создана,бригада направлена в номер.Установленная мощность квартиры —12 kW. Какова расчётная мощность?Регламент по электроустановкамст. 57 · коэфф. одновременности8 kW × 0,6 + 4 kW × 0,4Расчётная мощность: 6,4 kW.Источник: Регламент, ст. 57

Анимация: так задумана работа модели. Модель пока в разработке.

ОТЕЛЬ

  1. Гость пишет на ресепшен: «В номере 304 не работает кондиционер».
  2. BALASAGUN работает на собственном сервере отеля; вопрос не уходит ни в какую другую компанию.
  3. Модель проверяет журнал обслуживания номера и систему отеля.
  4. Она создаёт заявку для технической службы.
  5. Ответ возвращается гостю; заявка уже у технической службы.

ЭЛЕКТРОТЕХНИКА

  1. Инженер спрашивает: «Установленная мощность квартиры — 12 kW. Какова расчётная мощность?»
  2. Модель думает на вашем сервере.
  3. Правило одновременности она читает в самом регламенте, а не берёт из памяти.
  4. Она считает с помощью инструмента: 0,6 для первых 8 kW и 0,4 для остальных.
  5. Ответ возвращается с источником: расчётная мощность 6,4 kW.
  1. 1 · Поступает вопросспрашивает гость, сотрудник или инженер
  2. 2 · Модель думаетна вашем сервере, ничего не отправляя в другую компанию
  3. 3 · Сверяется с источникомнорматив, журнал обслуживания, правила отеля
  4. 4 · Выполняет действиесчитает, создаёт заявку
  5. 5 · Возвращается ответвместе с источником

Что такое BALASAGUN?

Наша собственная языковая модель для электротехники и отелей

BALASAGUN — языковая модель ИИ, которую мы сейчас обучаем для электротехники и управления отелями. Мы не обучаем её с нуля: мы берём языковые модели с открытым исходным кодом, обучаем их под нужную отрасль, опираясь на собственный инженерный опыт, а затем вводим в работу и эксплуатируем. Так, вместо того чтобы пользоваться дорогими языковыми моделями, мы создаём решения на основе собственной языковой модели. Кроме того, вашу собственную LLM, которую мы разработаем по вашему заказу, мы можем настроить так, чтобы она работала в гибридном режиме с любыми другими LLM по вашему выбору.

  • Управление отелем

    Вопросы гостей, техническая служба, учёт энергии и обслуживания, задачи персонала. Собственные правила и цены отеля при каждом вопросе считываются из его документов.

  • Электротехника

    Турецкие регламенты по электроустановкам, заземлению и сильноточным (силовым) установкам; расчёты падения напряжения и расчётной мощности, ведомости обследования и объёмов работ.

  • Первые пользователи — наши собственные продукты

    Первыми BALASAGUN будут использовать программа обследования Elektrik GPT, Leyla — ассистент этого сайта — и платформа мониторинга энергии ARI.

    Elektrik GPTЭнергоплатформа

Как мы это делаем

Ваша модель за пять шагов

Каждая модель проходит одни и те же пять шагов. Так мы обучаем BALASAGUN — и так же создаём вашу модель.

Как растёт модель

От открытой модели к вашей модели

ВЫДЕЛЕННАЯ ВАМ СРЕДА✓✓✓НАШ ТЕСТОВЫЙ НАБОРбазовая модельадаптированная модельцель: база + от 10 балловОТКРЫТАЯ МОДЕЛЬApache 2.0ВАШИ ЗНАНИЯодобрены экспертамиGPU · ДООБУЧЕНИЕLoRAВАШ СОБСТВЕННЫЙ СЕРВЕРАРЕНДОВАННЫЙ GPUвыделенный вам
  1. Выбирается базовая модель с лицензией для коммерческого использования (Apache 2.0). Без обучения с нуля.
  2. Добавляются нормативы, ваши документы и правила, одобренные экспертами; источник каждой записи отслеживается.
  3. Дообучение с LoRA на GPU: модель усваивает язык вашего бизнеса.
  4. Проверка на нашем собственном тестовом наборе: если модель не превзошла базовую, в работу она не выходит.
  5. Она устанавливается на ваш собственный сервер или на выделенный вам арендованный GPU.
  1. 1 · Выбор открытой моделиApache 2.0, лицензия допускает коммерческое использование; её сверяем по карточке модели
  2. 2 · Добавляются ваши знаниянормативы, ваши документы, правила, одобренные экспертами; источник каждой записи отслеживается
  3. 3 · Дообучение на GPULoRA; без обучения с нуля
  4. 4 · Экзаменнаш собственный тестовый набор; если модель не превзошла базовую, в работу она не выходит
  5. 5 · Установка у васваш собственный сервер или выделенный вам арендованный GPU; для персональных данных мы рекомендуем собственный сервер

Наши обещания

Четыре обещания

  • Ваши данные под вашим контролем

    Модель обучается и работает на вашем собственном сервере или на выделенном вам арендованном GPU. Для моделей, которые будут обрабатывать персональные данные, мы рекомендуем ваш собственный сервер. Запросы к облачной модели другой ИИ-компании отправляются только в задачах, которые выберете вы, и только если вы этого хотите.

  • Модель с понятной лицензией, прослеживаемые данные

    Базовая модель всегда имеет лицензию, допускающую коммерческое использование (Apache 2.0 / MIT). Каждая обучающая запись хранит свой источник и пометку о лицензии и может быть исключена из обучения одной командой.

  • Без заучивания

    Меняющиеся сведения — цены, номера статей, правила — модель не заучивает; при каждом вопросе она читает их в документе. Когда сведения меняются, переобучать модель не нужно.

  • Ничего не запускается без измерений

    Каждая версия сравнивается с базовой моделью на нашем собственном тестовом наборе; версия, которая её не превзошла, не используется. Наша цель для первой версии BALASAGUN: в сумме не менее чем на 10 баллов лучше и ни в одной области не хуже более чем на 2 балла.

Где мы сейчас

Честный статус

Первая версия ещё не обучена; мы обновляем этот раздел по мере продвижения.

  1. 0сейчас

    Тестовый набор и сравнение базовых моделей

  2. 1

    Конвейер данных

  3. 2

    Обучение первой версии (v0.1)

  4. 3

    Развёртывание и интеграция

  5. v1

    Расширенная версия

Инфраструктура обучения

Обучение модели BALASAGUN

Что уже сделано — с реальными записями: сравнение базовых моделей и первое пробное обучение LoRA. Полноценное обучение — следующий шаг; здесь мы показываем ровно то, что произошло.

Сравнение базовых моделей

Пять моделей с открытым исходным кодом соревновались на 50 вопросах из нашего собственного тестового набора (25 по электротехнике, 25 по гостиничному делу); ответы оценивала модель-судья с открытыми весами. В качестве базы выбрана Qwen3.6-35B-A3B: первое место по электротехнике, лицензия Apache-2.0, и она подходит для того, чтобы запускать оба адаптера предметных областей вместе на одном GPU.

МодельИтогоЭлектротехникаОтель
google/gemma-4-26B-A4B-it87,276,098,4
Qwen/Qwen3.6-35B-A3Bвыбрана84,686,482,8
google/gemma-4-12B-it79,664,095,2
Qwen/Qwen3.5-9B73,872,475,2
mistralai/Mistral-Small-3.2-24B-Instruct-250664,655,274,0

Баллы из 100 · судья: Qwen3.8-27B · 19 октября 2026 г.

Первое пробное обучение LoRA

Перед полноценным обучением мы проверили всю связку от начала до конца: на одной и той же базе обучили два адаптера LoRA (электротехника, отель), по 20 шагов каждый. Обучение сработало; следующий шаг — развёртывание модели в vLLM — в этой пробе завершился сбоем, и сейчас мы его исправляем.

GPU
NVIDIA A100 SXM 80 GB (арендованный, RunPod)
Использование VRAM
69,3 GB (пик 69,6 GB)
Загрузка модели
228 с
Обучение
2 адаптера × 20 шагов, 42 с
Обучаемые параметры
3 440 640 на адаптер (LoRA r=16)
Loss
электротехника 3,89 → 0,88 · отель 2,13 → 0,31
Время работы пода
17 мин; удалён после завершения задачи
Из журнала пода (без изменений)
15:18:59Z {"olay": "yuklendi", "sn": 228.0, "vram_gb": 69.3, "sinif": "Qwen3_5MoeForCausalLM"}
15:19:00Z {"olay": "adaptor", "adaptor": "elektrik", "egitilebilir": 3440640}
15:19:03Z {"olay": "adim", "adaptor": "elektrik", "adim": 0, "loss": 3.892}
15:19:22Z {"olay": "adim", "adaptor": "elektrik", "adim": 19, "loss": 0.8816}
15:19:22Z {"olay": "adaptor", "adaptor": "otel", "egitilebilir": 3440640}
15:19:23Z {"olay": "adim", "adaptor": "otel", "adim": 0, "loss": 2.1289}
15:19:41Z {"olay": "adim", "adaptor": "otel", "adim": 19, "loss": 0.306}
15:19:42Z {"olay": "egitim_bitti", "sn": 270.4, "vram_gb_max": 69.6}
15:20:00Z vLLM version 0.31.0 · model Qwen/Qwen3.6-35B-A3B · lora_modules: elektrik, otel
Durum: BAŞARISIZ — vLLM kapandı (vllm-exited) · GPU: NVIDIA A100-SXM4-80GB · süre: 17 dk

Время — UTC. Строки взяты из журнала нашего собственного обучающего скрипта.

Из консоли RunPod

Карточки GPU в консоли RunPod; выделена карточка A100 SXM с 80 GB VRAM.
Выбор GPU: пробное обучение прошло на A100 SXM 80 GB (выделено). Цены и наличие указаны на момент снимка.
Журнал аудита RunPod со строками создания и удаления пода; e-mail и идентификаторы ключей скрыты.
Журнал аудита: пробный под был создан в 18:07 и удалён в 18:25 (по времени Турции). Данные аккаунта скрыты.

Программное обеспечение, которое мы используем

  • Qwen3.6-35B-A3B

    базовая модель (Apache-2.0)

  • PyTorch + Hugging Face Transformers

    загрузка и обучение модели

  • PEFT (LoRA)

    адаптеры предметных областей (электротехника, отель)

  • vLLM 0.31.0

    оценка и развёртывание (OpenAI-совместимый эндпоинт)

  • GPU-поды RunPod

    арендованные серверы с A100 80 GB и RTX A6000 48 GB

  • Hugging Face Hub

    приватные репозитории для моделей и адаптеров

  • Python 3.12 + uv

    конвейер данных, тестовый набор и скрипты оценки

  • Контроль расходов + очистка Oracle

    под отключается, когда его задача завершена; забытый под удаляется через 1,5 часа

Далее: полноценное обучение

Обучение bf16 LoRA на данных, одобренных экспертами, на GPU с 80–96 GB (A100 80 GB или RTX PRO 6000 96 GB). Каждый адаптер измеряется на тестовом наборе своей области; версия, которая не превзошла базовую модель, в работу не выходит.

Для вашей отрасли

Мы можем создать её и для вашей отрасли.

Так же, как мы создали BALASAGUN для себя, мы развернём и обучим собственную языковую модель для вашей отрасли: на вашем собственном сервере или на арендованных GPU.

  • Здравоохранение

    Информирование пациентов, поиск по протоколам и справочникам лекарств. Данные пациентов остаются на сервере больницы.

  • Право

    Поиск по архиву дел и судебной практике, черновики процессуальных документов. Документы клиентов остаются в фирме.

  • Финансы и бухгалтерия

    Чтение счетов-фактур, вопросы по нормативам, сводки по взаиморасчётам. Финансовые записи остаются на сервере компании.

  • Производство

    Руководства к оборудованию, журналы обслуживания, диагностика неисправностей. Производственные данные остаются на заводе.

  • Энергетика и инфраструктура

    Отчёты с объектов, журналы отказов, документация установок. Данные сети и установок остаются у вас.

  • Госсектор и муниципалитеты

    Ответы на обращения граждан, поиск по нормативным актам. Персональные данные остаются на сервере учреждения.

  • Образование

    Учебные материалы и внутренний ассистент по базе знаний. Данные учащихся остаются в школе.

  • Розница и электронная коммерция

    Каталог товаров, обслуживание клиентов, правила возврата. Данные клиентов остаются у вас.

Вашей отрасли нет в списке? Напишите нам — сначала обсудим ваш бизнес и ваши данные.Запросить расчёт

Совместная работа

От первого разговора до работающей модели

Сроки и цена зависят от вашего бизнеса и ваших данных; после ознакомительной встречи мы присылаем письменное предложение.

  1. 1. Ознакомительная встреча

    Обсуждаем ваш бизнес, ваши данные и требования к конфиденциальности.

  2. 2. Инвентаризация данных и тестовый набор

    Определяем, какие документы и записи будут использоваться, и составляем тестовый набор из ваших реальных вопросов.

  3. 3. Пилотная модель

    Сравниваем кандидатов на роль базовой модели, адаптируем победителя дообучением и передаём вам отчёт об измерениях.

  4. 4. Установка

    Устанавливаем модель на ваш собственный сервер или на выделенный вам арендованный GPU и подключаем её к вашим системам.

  5. 5. Обслуживание и новые версии

    Обновляем модель новыми документами и вопросами и заново измеряем каждую версию.

Развёртывание серверов и дата-центра (F09)

Запросить расчёт

Расскажите о вашей отрасли и ваших данных — мы подготовим предложение по вашей собственной модели.

Коротко напишите о вашем бизнесе и о том, какие данные у вас есть; мы свяжемся с вами, чтобы договориться об ознакомительной встрече.

Выберите интересующее направление

Достаточно описать текущую ситуацию и нужный результат.

Ваше сообщение попадает прямо к нашей команде. Чтобы передать его нужному направлению, текст сообщения предварительно классифицируется ИИ; имя и контактные данные на этот этап не передаются.